Null importance: Disentangling relevance for interpretable machine learning
本文提出零重要性统一框架，区分特征重要性的多种相关性概念，连接科学问题、假设与算法，并通过公平性、基因组扰动及模拟实验验证其理论区分与实际影响。
2026-09-18 cs.LG stat.ML
Learning Fair and Interpretable Representations via Linear Orthogonalization
University of Southern California（南加州大学）
为了减少人类的错误和偏见，许多高风险的决策已经交给了机器算法。然而，最近的研究表明，这并不能消除歧视，而且可能使有害的陈规定型观念永久化。虽然已经开发了算法来提高公平性，但它们通常至少面临三个缺点之一：它们不可解释，与无偏等价物相比，它们的预测质量迅速恶化，并且它们不容易在模型之间转移。为了解决这些缺点，我们提出了一种几何方法，删除数据和任何数量的受保护变量之间的相关性。此外，我们可以通过一个可调参数来控制去偏置的强度，以解决预测质量和公平性之间的权衡。所得到的特征是可解释的，并且可以与许多流行的模型一起使用，例如线性回归、随机森林和多层感知器。结果发现，与各种基准数据集上的几种最先进的公平AI算法相比，所得到的预测更加准确和公平。我们的工作表明，去偏置数据是一个简单而有效的解决方案，以提高公平性。
2019-12-17 cs.CY cs.LG stat.ML
Learning Interpretable Fair Representations
针对现有公平表示可解释性不足、限制数据效用的问题，提出在表示学习中引入可解释先验知识的通用框架，在ColorMNIST和Dsprite数据集上验证了其在可解释性、准确率和公平性上的优势。
2024-06-24 cs.CY cs.LG
Interpretable Fair Clustering
School of Software, Dalian University of Technology（大连理工大学软件学院）
本文提出了一种可解释且公平的聚类框架，通过整合公平性约束到决策树结构中，提升聚类的公平性和可解释性。
2025-11-26 cs.LG
Auditing Fairness by Betting
Machine Learning Department, Carnegie Mellon University（卡内基梅隆大学机器学习系）；Carnegie Mellon University（卡内基梅隆大学）；Department of Statistics and Data Science, Carnegie Mellon University（卡内基梅隆大学统计与数据科学系）
该研究提出基于“通过投注检验”框架的序贯非参数公平性审计方法，支持持续监测、非均匀采样数据及分布偏移场景，在三个基准数据集上验证了有效性。
2025-05-15 cs.AI cs.CY cs.LG
Less Discriminatory Alternative and Interpretable XGBoost Framework for Binary Classification
UNC Charlotte（北卡罗来纳大学夏洛特分校）；H2O.ai（H2O.ai公司）；Wells Fargo（富国银行）
本文提出 LDA-XGB1，通过基于分箱与信息值的准确性—公平性双目标优化及单调约束，在 SimuCredit 和 COMPAS 上实现更公平、可解释且性能优良的二分类。
2024-10-24 cs.LG stat.ML
Fairness Warnings and Fair-MAML: Learning Fairly with Minimal Data
University of California, Irvine（加州大学欧文分校）；Haverford College（哈弗福德学院）
出于对共享和传输公平机器学习工具的公平性影响的关注，我们提出了两种算法：公平性验证和公平MAML。第一种是模型不可知的算法，它提供了可解释的边界条件，当一个经过良好训练的模型在给定域中的类似但略有不同的任务上可能表现不佳时。第二个是一个公平的元学习方法来训练模型，可以快速微调到特定的任务，从只有少数样本实例，同时平衡公平性和准确性。我们使用相关基线通过实验证明了每个模型的个体效用，并提供了我们对K-shot公平性知识的第一个实验，即在只有K个数据点的新任务上训练公平模型。然后，我们说明了这两种算法作为一种组合方法的有用性，用于从新任务的几个数据点训练模型，同时使用公平性检验作为可解释的边界条件，在这种条件下，新训练的模型可能不公平。
2019-12-05 cs.LG stat.ML
Interpretable bias mitigation for textual data: Reducing gender bias in patient notes while maintaining classification performance
The University of Vermont（佛蒙特大学）；MassMutual Data Science（MassMutual数据科学公司）；VA Boston Healthcare System（波士顿VA医疗保健系统）
一般而言，医疗系统，特别是患者的治疗决定和结果，受到基于性别和其他人口因素的偏见的影响。随着语言模型越来越多地应用于医学，人们越来越有兴趣将算法公平性构建到影响患者护理的过程中。解决这个问题的大部分工作都集中在语言模型中编码的偏见上--对从远距离阅读语料库中得出的概念之间关系的统计估计。在这项工作的基础上，我们调查如何由医疗从业者和语言模型相互作用的单词选择方面的偏见。我们确定并删除性别语言从两个临床笔记数据集，并描述了一个新的去偏过程中使用基于BERT的性别分类器。通过数据增强，我们在健康状况分类任务中显示出最小的退化，用于低至中等水平的偏差去除。最后，我们比较的偏见语义编码的语言模型的偏见经验观察到的健康记录。这项工作概述了一种可解释的方法，使用数据增强，以确定和减少潜在的偏见，在自然语言处理管道。
2021-03-10 cs.CL stat.ML
Mitigating Bias in Concept Bottleneck Models for Fair and Interpretable Image Classification
Massachusetts Institute of Technology（麻省理工学院）
本文提出三种技术缓解概念瓶颈模型中的偏见，以提升图像分类的公平性和可解释性。
2026-03-06 cs.CV cs.LG
An Information-Theoretic Framework for Credit Risk Modeling: Unifying Industry Practice with Statistical Theory for Fair and Interpretable Scorecards
H2O.ai；Center for Trustworthy AI Through Model Risk Management, University of North Carolina Charlotte（可信人工智能通过模型风险管理中心，北卡罗来纳大学夏洛特分校）
本文提出统一的信息论框架，揭示信用风险指标WoE、IV与PSI的本质联系，推导其标准误差以实现假设检验与公平性约束，并通过实验证明基于信息论的分箱策略比编码选择更重要。
2025-09-11 cs.LG stat.ML
Fair Feature Importance Scores via Feature Occlusion and Permutation
Rice University（里士大学）；Columbia University（哥伦比亚大学）
本文提出两种模型无关方法，通过特征遮蔽和排列评估特征对公平性的贡献，为公平性评估提供新的可解释工具。
2026-02-09 cs.LG stat.ML
Differentially Private Tests of Fisher's Sharp Null Hypothesis for Binary Outcomes
Duke University（杜克大学）；Department of Statistical Science, Duke University（杜克大学统计科学系）
本文提出了一种用于二元结果的差分隐私Fisher随机化检验方法，通过扰动和贝叶斯去噪框架实现隐私保护下的有效因果推断。
2026-08-06 stat.ME
CONFAIR: Configurable and Interpretable Algorithmic Fairness
University of Delaware（特拉华大学）
近年来，数据的快速增长导致了复杂学习算法的发展，这些算法通常用于在现实世界中进行决策。虽然算法的积极影响是巨大的，但需要减轻由训练样本或对数据样本所做的隐含假设引起的任何偏差。当算法用于自动决策系统时，这种需求变得至关重要，这可能会对人们的生活产生巨大影响。已经提出了许多方法，通过在优化的不同阶段检测和减轻偏差来使学习算法公平。然而，由于缺乏公平性的通用定义，这些算法针对公平性的特定解释进行了优化，这使得它们在现实世界中的使用受到限制。此外，所有算法都有一个共同的基本假设，即实现公平性和消除偏见的明显等价性。换句话说，没有用户定义的标准可以被合并到用于产生公平算法的优化过程中。出于这些现有方法的缺点，我们提出了CONFAIR过程，产生一个公平的算法，将用户的约束优化过程。此外，我们通过从数据中估计最具预测性的特征来使过程可解释。我们证明了我们的方法在几个现实世界的数据集上使用不同的公平标准的有效性。
2021-12-30 cs.CY cs.LG
Efficient and Interpretable Transformer for Counterfactual Fairness
Acturial and Risk Mangament Sciences, University of Illinois Urbana-Champaign（精算与风险管理科学，伊利诺伊大学厄巴纳-香槟分校）
本文提出FCorrTransformer和CAR框架，通过特征相关性建模提升模型公平性与效率，实验证明其在不平衡分类和回归任务中表现优异。
2026-04-29 cs.LG
Simulating Biases for Interpretable Fairness in Offline and Online Classifiers
Faculdade de Engenharia da Universidade do Porto（葡萄牙波尔图大学工程学院）；Laboratory for Artificial Intelligence and Computer Science (LIACC)（人工智能与计算机科学实验室）
本文提出一个具有可控偏见注入的合成数据集生成框架，基于智能体模型模拟贷款申请中的系统性偏见，并采用二阶 Shapley 值技术解释缓解措施对分类器特征利用的影响，在离线和在线学习环境中验证了其有效性。
2025-07-14 cs.LG stat.ML
NeuronFair: Interpretable White-Box Fairness Testing through Biased Neuron Identification
Zhejiang University of Technology（浙江工业大学）；Zhejiang University（浙江大学）；Huawei International Pte. Ltd.（华为国际有限公司）；National University of Defense Technology（国防科技大学）
深度神经网络（DNN）已经在各个领域展示了其出色的性能。然而，这引发了社会关注，DNN是否能够产生可靠和公平的决策，特别是当它们应用于涉及宝贵资源分配的敏感领域时，例如教育、贷款和就业。在DNN被可靠地部署到这些敏感域之前，进行公平性测试是至关重要的，即，生成尽可能多的实例来发现公平性违规。然而，现有的测试方法仍然受到三个方面的限制：可解释性，性能和通用性。为了克服这些挑战，我们提出了一个新的DNN公平性测试框架NeuronFair，它在几个关键方面与以前的工作不同：（1）可解释-它定量地解释DNN的公平性违规行为，以获得有偏见的决策;（2）有效-它使用解释结果来指导在更短的时间内生成更多样化的实例;（3）通用-它可以处理结构化和非结构化数据。对7个数据集和相应DNN的广泛评估证明了NeuronFair的卓越性能。例如，在结构化数据集上，与最先进的方法相比，它生成了更多的实例（~x5.84）并节省了更多的时间（平均加速比为534.56%）。此外，还可以利用NeuronFair的实例来提高有偏DNN的公平性，这有助于构建更公平和可信的深度学习系统。
2021-12-25 cs.AI cs.LG
Extending Fair Null-Space Projections for Continuous Attributes to Kernel Methods
Felix Störck；Fabian Hinder；Barbara Hammer
提出将公平零空间投影扩展到核诱导特征空间，通过经验特征空间直接变换核矩阵，实现模型和公平评分无关的连续属性公平性方法，并在支持向量回归中展示竞争性或改进性能。
2026-08-04 cs.AI cs.LG
Transparent and Fair Profiling in Employment Services: Evidence from Switzerland
本文通过瑞士行政数据比较传统统计、可解释和黑箱模型，发现可解释 boosting 机器在预测性能上接近最佳黑箱模型，且通过模型稀疏性、特征平滑和公平性缓解可提升透明度和公平性。
2025-09-15 cs.CY cs.LG
Fair and Interpretable Deepfake Detection in Videos
Fujitsu Limited（富士通株式会社）；Fujitsu Research of America, Inc.（富士通美国研究院）
针对 deepfake 视频检测中的群体偏见、可解释性不足和时间信息缺失问题，提出融合序列聚类时间建模、概念提取与人口统计感知频域增强的公平检测框架，并在多个基准上验证其公平性与准确率权衡优势。
2025-10-20 cs.CV cs.LG
Fair Interpretable Representation Learning with Correction Vectors
Johannes Gutenberg-Universität Mainz（约翰内斯·古腾堡美因茨大学）；Università di Torino（都灵大学）
神经网络体系结构已被广泛用于公平表示学习设置，其中的目标是学习一个新的表示为一个给定的向量，这是独立的敏感信息。在文献中已经提出了各种表示去偏置技术。然而，由于神经网络本质上是不透明的，这些方法很难理解，这限制了它们的实用性。我们提出了一个新的框架，公平的表示学习，是围绕学习的“校正向量”，这具有相同的维数作为给定的数据向量。校正向量可以通过架构约束显式地计算，或者通过基于归一化流训练可逆模型来隐式地计算。我们的实验表明，以这种方式约束的几个公平的表示学习模型不会表现出损失的排名或分类性能。此外，我们证明了国家的最先进的结果可以实现的可逆模型。最后，我们讨论的法律地位，我们的方法，在最近的立法在欧盟。
2022-02-07 cs.CY cs.LG
Interpretable Data-Based Explanations for Fairness Debugging
Purdue University（普渡大学）；University of California, San Diego（加利福尼亚大学圣迭戈分校）；Illinois Institute of Technology（伊利诺伊理工学院）
在文献中已经提出了各种各样的公平性度量和可解释的人工智能（XAI）方法，以识别在关键的现实环境中使用的机器学习模型中的偏差。然而，仅仅报告模型的偏差，或者使用现有的XAI技术生成解释，不足以定位并最终减轻偏差的来源。我们介绍Gopher，一个系统，产生紧凑的，可解释的和因果关系的解释偏差或意外的模型行为，通过确定一致的子集的训练数据，这种行为的根本原因。具体来说，我们引入了因果责任的概念，量化了干预训练数据的程度，通过删除或更新它的子集可以解决的偏见。基于这一概念，我们开发了一种有效的方法来生成前k模式，解释模型偏差，利用机器学习（ML）社区的技术来近似因果责任，并使用修剪规则来管理模式的大搜索空间。我们的实验评估表明，Gopher在产生可解释的解释，识别和调试源的偏见的有效性。
2022-04-10 cs.DB cs.LG
Fairness constraint in Structural Econometrics and Application to fair estimation using Instrumental Variables
Stony Brook University（石溪大学）；Toulouse School of Economics（图卢兹经济学院）；University of Toulouse Capitole（图卢兹第一大学）；Université Toulouse Paul Sabatier（图卢兹第三大学）
监督机器学习算法从学习样本中确定模型，该模型将用于预测新的观察结果。为此，它聚合了学习样本的观察结果的个体特征。但是这种信息聚合没有考虑训练样本中可能包含的对不可观察量的任何潜在选择和任何现状偏差。后一种偏见引起了人们对机器学习算法的所谓\textit{fairness}的担忧，特别是对弱势群体的担忧。在本章中，我们通过结构计量经济学模型的镜头来回顾机器学习中的公平性问题，其中未知指数是函数方程的解，并且明确考虑了内隐问题。我们将公平性建模为一个线性算子，其零空间包含严格{ \it fair}索引的集合。通过将无约束索引投影到该算子的零空间中或通过直接在该零空间中找到函数方程的最接近解来获得{ \it fair}解。我们也承认，政策制定者在改变现状时可能会付出代价。实现\textit{approximate fairness}是通过在学习过程中引入公平惩罚并或多或少地平衡现状和完全公平解决方案之间的影响来获得的。
2022-02-16 cs.LG econ.EM math.ST
Interpretable and Fair Generalized Additive Neural Networks via Multi-objective Learning
Southern University of Science and Technology（南方科技大学）；Beijing Normal-Hong Kong Baptist University（北京师范大学-香港浸会大学联合国际学院）；Agency for Science, Technology and Research (A*STAR)（新加坡科技研究局）；Nanyang Technological University（南洋理工大学）；Lingnan University（岭南大学）
本文提出多目标神经基模型（MONBM）框架，通过多目标进化学习同时优化准确性、可解释性和公平性，并引入定量可解释性指标及部分重训练策略，揭示可信度目标间的权衡关系。
2026-09-09 cs.LG
Interpretable and Fair Mechanisms for Abstaining Classifiers
University of Antwerp（安特卫普大学）；Scuola Normale Superiore（比萨高等师范学校）
针对弃权分类器仅为多数群体减少错误导致群体性能差异增大且现有方法缺乏可解释性的问题，本文提出IFAC算法，基于不确定性和不公平性拒绝预测，减少非拒绝数据的群体差异，通过规则公平性检查和情境测试实现透明流程，助力人类决策。
2025-04-14 cs.AI cs.LG
Interpretable and Fair Boolean Rule Sets via Column Generation
Cornell University（康奈尔大学）；IBM Research（IBM研究院）
本文提出基于列生成的整数规划方法学习可解释布尔规则集，并扩展公平性约束，在准确率、简洁性与公平性之间取得更优权衡。
2023-09-18 cs.AI cs.LG math.OC
Fair Decision Rules for Binary Classification
School of Operations Research and Information Engineering（运筹学与信息工程学院）；Cornell University（康奈尔大学）
近年来，机器学习已经开始在大学招生、信贷和刑事判决等不同领域实现决策自动化。这些应用程序的社会敏感性，加上越来越多的监管限制，有必要对算法，是公平的和可解释的。在本文中，我们考虑的问题，建立布尔规则集的析取范式（DNF），一个可解释的二元分类模型，公平性约束。我们制定的问题作为一个整数规划，最大限度地提高分类精度与明确的限制两个不同的措施的分类奇偶性：平等的机会和均衡的赔率。列生成框架，与一个新的配方，用于有效地搜索指数许多可能的规则。当与更快的算法相结合时，我们的方法可以处理大型数据集。与其他公平和可解释的分类器相比，我们的方法能够找到满足更严格的公平概念的规则集，并在准确性方面进行适度的权衡。
2021-07-03 cs.AI cs.CY cs.LG
Null It Out: Guarding Protected Attributes by Iterative Nullspace Projection
Bar Ilan University（巴伊兰大学）；Allen Institute for Artificial Intelligence（艾伦人工智能研究所）
控制神经表征中编码的各种信息的能力有各种各样的用例，特别是考虑到解释这些模型的挑战。我们提出了迭代零空间投影（INLP），一种新的方法，用于从神经表征中删除信息。我们的方法是基于线性分类器的重复训练，这些分类器预测我们要删除的某个属性，然后将表示投影到零空间上。通过这样做，分类器会忘记该目标属性，从而很难根据它线性分离数据。虽然适用于多种用途，但我们评估了我们的方法的偏见和公平性用例，并表明我们的方法能够减轻偏见在词嵌入中，以及提高多类分类设置中的公平性。
2020-04-28 cs.CL cs.LG
Intersectional Fairness via Mixed-Integer Optimization
Czech Technical University in Prague（捷克技术大学布拉格分校）；Technion（技术学院）
本文提出利用混合整数优化实现交叉公平性的统一框架，通过证明两种公平性度量的等价性并实证验证，提升偏见检测性能，提供可解释且稳健的分类器解决方案。
2026-10-07 cs.AI cs.LG math.OC
Incorporating Fairness Constraints into Archetypal Analysis
Departament de Matemàtiques Universitat Jaume I（数学系 萨拉曼卡大学）
本文提出公平原型分析（FairAA）及其非线性扩展FairKernelAA，通过引入公平性正则化项减少敏感群体信息影响，在保持原型可解释性的同时实现效用与公平性的平衡。
2025-07-16 cs.LG stat.ML
NeuroLIP: Interpretable and Fair Cross-Modal Alignment of fMRI and Phenotypic Text
The University of British Columbia（不列颠哥伦比亚大学）；Vector Institute（向量研究院）
NeuroLIP提出跨模态对比学习框架，通过文本令牌条件注意力和局部令牌对齐实现fMRI与表型文本的可解释对齐，并设计敏感属性解耦损失与负梯度技术减少偏见，在ABIDE和ADHD-200上兼顾公平性与性能。
2025-03-27 cs.LG q-bio.NC
Learning Optimal Fair Classification Trees: Trade-offs Between Interpretability, Fairness, and Accuracy
USC Center for AI in Society（南加州大学人工智能与社会中心）；University of Southern California（南加州大学）
提出混合整数优化框架学习最优公平分类树，引入决策复杂度度量，权衡可解释性、公平性与准确性，在固定差异阈值下可解释性代价约4.2个百分点，但能实现几乎完全公平。
2023-07-25 cs.AI cs.LG math.OC
Revealing Unfair Models by Mining Interpretable Evidence
Huawei Technologies Canada（华为技术加拿大公司）；McMaster University（麦克马斯特大学）；University of British Columbia（不列颠哥伦比亚大学）；Simon Fraser University（西蒙弗雷泽大学）；Tianjin University（天津大学）
机器学习的普及增加了在高风险应用中部署不公平模型的风险，例如司法系统，药物/疫苗设计和医疗诊断。虽然有有效的方法可以从头开始训练公平模型，但如何自动揭示和解释训练模型的不公平性仍然是一个具有挑战性的任务。以可解释的方式揭示机器学习模型的不公平性是迈向公平和可信AI的关键一步。在本文中，我们系统地解决了通过挖掘可解释证据（RUMIE）来揭示不公平模型的新任务。其关键思想是以模型最能区分的一组数据实例的形式找到可靠的证据。为了使证据具有可解释性，我们还找到了一组人类可理解的关键属性和决策规则，这些属性和规则描述了受歧视的数据实例，并将其与其他非歧视数据区分开来。正如在许多真实数据集上进行的大量实验所证明的那样，我们的方法找到了高度可解释和可靠的证据，可以有效地揭示训练模型的不公平性。此外，它比所有基线方法更具可扩展性。
2022-07-12 cs.AI cs.CY cs.LG
Fairness-Aware Mixture-of-Experts via Subgroup Reweighting and Gate Regularization
Dongyang Mirae University（东阳未来大学）
本文针对混合专家模型的路由诱导偏差问题，提出子组重加权与门控熵正则化结合的端到端框架，在提升公平性的同时维持了预测性能。
2026-08-25 cs.AI cs.LG
Still More Shades of Null: An Evaluation Suite for Responsible Missing Value Imputation
New York University（纽约大学）；Ukrainian Catholic University（乌克兰天主教大学）
本文提出 Shades-of-Null 评估套件，建模多机制缺失和缺失偏移等现实场景，从填补质量、公平性及下游模型性能等维度全面评估填补方法，并通过大规模实验揭示不同场景下的权衡。
2025-07-18 cs.AI cs.CY cs.LG
Fair Multivariate Adaptive Regression Splines for Ensuring Equity and Transparency
University of Illinois Chicago（伊利诺伊大学芝加哥分校）；University of Texas at Austin（德克萨斯大学奥斯汀分校）；University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
本文提出fairMARS模型，将公平性度量整合进多元自适应回归样条的结点优化过程中，在保持可解释性的同时提升预测公平性，并通过真实数据验证了其在准确性与公平性方面的效果。
2024-02-23 cs.CY cs.LG
Learning Optimal Fair Scoring Systems for Multi-Class Classification
LAAS-CNRS（法国国家科学研究中心系统分析与架构实验室）；Université de Toulouse（图卢兹大学）；CNRS（法国国家科学研究中心）；INSA Toulouse（图卢兹国立应用科学学院）
本文针对多类分类问题，提出基于混合整数线性规划的公平且可解释评分系统学习方法，在稀疏性和公平性约束下推广SLIM框架，能够构建可证明最优的模型。
2023-04-11 cs.CY cs.LG math.OC
Machine Learning for Medicine Must Be Interpretable, Shareable, Reproducible and Accountable by Design
本文提出医学机器学习应以可解释性、可共享性、可复现性和可问责性为设计原则，通过本质可解释模型、严格评估与生成式协作学习，构建透明可信且可临床转化的医学人工智能。
2025-08-22 cs.LG stat.ML
Kernel-based Equalized Odds: A Quantification of Accuracy-Fairness Trade-off in Fair Representation Learning
H. Milton Stewart School of Industrial and Systems Engineering（H. Milton Stewart工业与系统工程学院）；Georgia Institute of Technology（佐治亚理工学院）
本文提出基于核的均衡几率准则 $EO_k$，在公平表示学习中统一量化独立性、分离性和校准性，并在有偏与无偏条件下刻画准确率与公平性的权衡，同时给出经验统计量及其集中不等式保证。
2025-08-20 cs.LG stat.ML
Are Deep Learning Classification Results Obtained on CT Scans Fair and Interpretable?
Eskisehir Osmangazi University（埃斯基谢希尔奥斯曼加齐大学）；Eskisehir Technical University（埃斯基谢希尔技术大学）；Manisa Celal Bayar University（马尼萨杰拉勒巴亚尔大学）
本研究探讨CT扫描深度学习分类结果的公平性与可解释性，发现严格患者级数据分离可保持准确率并聚焦结节，优于传统随机打乱方法。
2023-11-14 cs.AI cs.LG eess.IV
Optimal Fair Aggregation of Crowdsourced Noisy Labels using Demographic Parity Constraints
University of California, Berkeley（加州大学伯克利分校）；Université de Paris（巴黎大学）；CNRS（国家科学研究中心）
针对众包标签聚合中的公平性问题，提出在ε-公平框架下分析多数投票和最优贝叶斯聚合的公平性差距，并推广多类公平后处理算法以强制执行人口统计平价约束。
2026-06-07 cs.LG
Interpretable Discovery from Unstructured Data: A High-Dimensional Approach
Harvard University（哈佛大学）
本文针对社会科学家利用非结构化数据获取实证见解的需求，提出通用灵活框架。借AI可解释性方法映射数据到概念嵌入，计算统计量检验假设，经选择性推断得出发现，并生成评估自然语言描述，具有低自由度、鲁棒性等优点。
2026-10-05 cs.LG econ.EM
Learning Representational Disparities
Machine Learning for Good Laboratory, New York University (NYU)（纽约大学机器学习为善实验室）；Courant Institute of Mathematical Sciences, Department of Computer Science, NYU（纽约大学数学科学学院计算机科学系）；Robert F. Wagner Graduate School of Public Service, NYU（纽约大学罗伯特·F·瓦格纳公共事务研究生院）；Center for Urban Science and Progress, Tandon School of Engineering, NYU（纽约大学城市科学与进步中心土木工程学院）
提出一种公平机器学习算法，通过建模观察与期望决策间的可解释表征差异，并用神经网络多目标优化学习可纠正的差异权重，以减轻下游结果差异，在真实数据集上验证有效性。
2025-05-23 cs.AI cs.CY cs.LG
